Эра простых текстовых чат-ботов, способных лишь отвечать на вопросы по загруженным документам, стремительно уходит в прошлое. На саммите «AI and Product» известный продуктовый консультант Салим Малкана (Saleem Malkana) представил концепцию развития искусственного интеллекта в продуктовом менеджменте. Эксперт подробно разобрал, как ИИ-инструменты трансформируют современный бизнес, почему стандартный интерфейс ChatGPT больше не удивляет клиентов и каким образом новые технологические тренды помогут решать реальные проблемы пользователей.
🛠️ От ЦРУ до Кремниевой долины: продуктовый фундамент Салима Малканы 0:02
Салим Малкана строит свою экспертизу на основе более чем 15–20 лет опыта в сфере управления продуктом и ростом (Product & Growth). Свою карьеру он начинал в аэрокосмической инженерии, после чего успел недолго поработать в ЦРУ. Продуктовую базу Малкана получил в компании Amazon, где в ранние годы существования сервиса Prime Video занимался развитием мобильного интерфейса для iOS по всему миру.
Позже эксперт перешел в нью-йоркский подписочный стартап, где создавал продукты с нуля и помог увеличить регулярный годовой доход компании (ARR) с нуля до 50 миллионов долларов. В его портфолио также входит руководство командами продуктового дизайна и исследований в медиаконгломерате NBC, где он курировал новостные бренды. До перехода на позицию независимого консультанта Малкана работал в роли Executive in Residence (EIR) в образовательной платформе для специалистов по продукту Reforge, привлекшей инвестиции раунда B. Сегодня его консалтинговая фирма Paper Plane помогает компаниям осуществлять ИИ-трансформацию. Один из его текущих проектов связан с крупным венчурным фондом, исследующим применение генеративного ИИ для автоматизации консалтинговых услуг и вывода продуктов на рынок.
Спикер подчеркивает, что фундаментальная задача продуктового менеджера никогда не заключалась в простом написании кода или создании функций ради функций. Главная цель — создавать пользовательский опыт, приносящий ценность клиенту и развивающий бизнес.
По мнению Малканы, любая продуктовая метрика должна четко укладываться в классический жизненный цикл клиента:
- Привлечение (acquisition).
- Активация и онбординг (activation and onboarding).
- Удержание и глубокое вовлечение (retention and engagement).
- Монетизация (monetization) — стратегия того, как, кого, когда и в каком объеме компания переводит на платную основу.
Если внедряемый ИИ-функционал не влияет напрямую ни на одну из этих стадий и команда не знает, как измерить его успех, Салим Малкана рекомендует приостановить разработку. Простые эксперименты вроде поиска по PDF-файлам на сайте редко меняют долгосрочное поведение пользователей.
⚠️ Ловушки продуктовой разработки: почему чат-боты бывают бесполезны 7:05
В условиях тотального хайпа вокруг искусственного интеллекта руководители компаний часто требуют от продуктовых команд немедленного ответа на вопрос: «Какова наша ИИ-стратегия?». Малкана призывает опираться на опыт Джеффа Безоса образца 1996 года: не спрашивать, какими технологиями обладает компания, а идти от потребностей клиента. В противном случае разработчики рискуют совершить одну из трех типичных продуктовых ошибок.
🧪 Технологическая центричность
Компании увлекаются возможностями технологии, полностью игнорируя реальные запросы аудитории. В качестве примера Малкана приводит реальный гаджет — Smalt, первую в мире «умную» солонку. Продукт оснастили Bluetooth, встроенным динамиком для стриминга музыки, LED-подсветкой, приложением для iOS/Android, поддержкой Alexa и Google Home, а также четырьмя режимами дозирования соли (включая режим «потопа»). Спикер иронизирует, что этот пример идеально иллюстрирует избыточное использование технологий там, где клиент об этом совершенно не просил. То же самое сейчас происходит со слепым внедрением ИИ-чатов.
👥 Ориентация на конкурентов
Копирование функций других игроков рынка не создает дифференциации. Как отмечает эксперт, если конкурент движется в неверном направлении, вы просто последуете за ним с обрыва. Если же он прав, вы все равно придете к финишу вторым.
🏢 Зависимость от мнения руководства
Принятие решений в конференц-залах часто скатывается к феномену HiPPO (Highest Paid Person's Opinion), когда вектор развития определяет исключительно мнение самого высокооплачиваемого человека в комнате, а не данные исследований.
💬 Эволюция чат-ботов: от простых ответов к действиям 10:27
Текстовый интерфейс формата «ввод-вывод» (text in, text out) стал базовым стандартом индустрии благодаря доступности API от OpenAI. По мнению Малканы, этот интерфейс интуитивен, так как люди привыкли общаться текстом, но это лишь вершина айсберга. Настоящий прорыв происходит тогда, когда диалоговый интерфейс (Conversational UX) начинает не просто разговаривать, а действовать.
Технологическим драйвером этого процесса стало обновление от OpenAI, внедрившее функцию вызова функций (function calling). Это позволило разработчикам получать от ИИ-моделей строго структурированный код (например, в формате JSON), что сделало интеграцию нейросетей с традиционным программным обеспечением гораздо надежнее, заменив капризный промпт-инжиниринг.
В качестве успешного примера диалогового ИИ, который действует, Малкана выделил календарное приложение Vimcal. Вместо того чтобы просто проанализировать текст или скриншот со свободными слотами из Calendly, Vimcal автоматически сопоставляет эти данные с календарем пользователя внутри интерфейса и предлагает готовые варианты встреч. Человеку остается лишь утвердить финальное решение.
Для оценки целесообразности создания чат-бота Салим Малкана предлагает использовать матрицу «Частота — Сложность»:
- Ось частоты (Frequency): как часто пользователь сталкивается с задачей.
- Ось сложности (Complexity): варьируется от простых текстовых ответов до комплексных многоуровневых процессов.
По мнению эксперта, идеальное место для классических чат-ботов — это правый нижний квадрант: высокочастотные задачи с низкой или средней сложностью. Если задача возникает редко (например, покупка дома), чат-бот не сможет стать эффективным решением.
🔮 Четыре технологических тренда за рамками привычного чата 13:57
Салим Малкана выделил четыре ключевых направления, в которых, по его прогнозам, будут развиваться современные ИИ-продукты. Эти подходы не являются взаимоисключающими, но определяют вектор движения индустрии.
✨ Генеративный подход (Generative)
Данный пласт технологий наиболее знаком пользователям. Он включает трансформацию текста, суммаризацию, переводы, синтез и расширение данных. В этом сегменте лидируют такие продукты, как ChatGPT, Notion AI и Jasper AI. Сюда же относятся мультимодальные системы вроде Otter AI, переводящие аудио в текст, и сервисы для генерации презентаций (например, Gamma). Надежность генеративного подхода кратно возросла благодаря вызову функций на уровне API.
🎯 Декларативный подход (Declarative)
Малкана заимствует этот термин из компьютерных наук, напоминая о разнице между императивным кодом (где прописывается каждая команда) и декларативным (где задается лишь желаемый конечный результат). Ссылаясь на презентацию директора по технологиям HubSpot, спикер отмечает, что эпоха традиционного SaaS-софта заставляла пользователя делать десятки кликов для достижения цели.
Декларативный ИИ меняет правила: пользователь просто декларирует финальное состояние, которое ему нужно («создай отчет по продажам за месяц»), а система сама осуществляет навигацию и выполняет рутинные операции. Яркими примерами такой реализации эксперт считает инструмент ChatSpot от HubSpot и функционал Vimcal.
📈 Прогностический подход (Predictive)
Продукты давно используют предиктивные алгоритмы, но до сих пор это происходило преимущественно на уровне когорт и сегментов (например, специальные сценарии онбординга для новых пользователей или алгоритмы рекомендаций в TikTok и Netflix). По прогнозу Малканы, ИИ позволит дойти до индивидуальной персонализации и файнтюнинга (дообучения) моделей под конкретные аккаунты.
Особенно перспективно это выглядит в Enterprise-сегменте с высокой стоимостью годовых контрактов (ACV). При этом эксперт уточняет, что развитие больших языковых моделей (LLM) концептуально отличается от классических рекомендательных алгоритмов ранжирования, поэтому персонализация будет строиться через создание точных векторных эмбеддингов под конкретные архетипы клиентов.
🤖 Агентский подход (Agentic)
Самое раннее и потенциально самое революционное направление, представленное первыми экспериментами вроде BabyAGI и AutoGPT. В отличие от ChatGPT, работающего по принципу «один промпт — один ответ», ИИ-агенты способны взять глобальную декларативную цель, самостоятельно разбить ее на подзадачи, наметить вехи и рекурсивно выполнять их в итерационном режиме.
По мнению Малканы, если автономные агенты станут повседневностью, продуктовым менеджерам придется полностью переосмыслить интерфейсы. Последние 30 лет индустрия оптимизировала веб-страницы под человеческое восприятие (адаптивная верстка, доступность). Агентам же визуальный рендеринг не нужен — они запрашивают данные напрямую на уровне API. Более того, агенты не смотрят рекламу, что ставит под угрозу традиционные модели монетизации многих ИТ-гигантов.
🏔️ Когнитивная иерархия и будущее ИИ 23:27
Для демонстрации долгосрочной перспективы Салим Малкана описал «когнитивную иерархию», по которой поднимаются технологии автоматизации.
Развитие систем происходит по следующим ступеням:
- Выполнение приказов: классическая автоматизация и машинное обучение старого образца (например, команда «запусти эту маркетинговую кампанию»).
- Анализ данных: синтез выводов и разбор поведения клиентских сегментов.
- Выдача рекомендаций: стадия, на которой индустрия находится прямо сейчас (ИИ советует, как распределить бюджет или какой креатив выбрать).
- Стратегическое мышление: формирование маркетинговых решений, поиск новых рыночных ниш и партнерств (фронтир, к которому технологии только подступают).
- Полная автономия: функционирование процессов без человеческого контроля (конечная точка, до которой существующие инструменты вроде AutoGPT еще не доросли).
Отвечая на вопросы слушателей о том, как оставаться в курсе стремительных изменений, Малкана порекомендовал отказаться от ежедневных новостных рассылок, так как они перегружают мозг. Вместо этого он советует читать качественные еженедельные обзоры (например, The Rundown), вступать в профильные Slack-сообщества для обмена практическим опытом и активно создавать прототипы внутри своих компаний силами лояльных инженеров и дизайнеров. Чат-боты могут быть отличным стартовым полигоном для работы с внутренними данными, но стратегически победят те компании, которые научатся игнорировать краткосрочный хайп и сфокусируются на решении реальных болей своих клиентов.
